量化投资需要金融方面的知识吗

齐建超 2019-12-21 23:43:00

推荐回答

我个人认为学习量化投资在金融方面需要具备两个方面的知识:1、首先是要了解金融市场与金融产品,只有这样才能在众多市场与标的中选择合适的来构建投资组合,这一方面需要了解的基础知识有:金融市场与金融机构、投资学、金融衍生品等等;2、其次是需要了解如何量化,相信你应该有足够的IT背景,编程没啥问题,其次的话就是要了解数理来沟通金融产品选择与编程落地,需要了解的科目有:概率论、统计学、计量经济学、金融经济学、数理金融等。
齐明杰2019-12-22 00:02:05

提示您:回答为网友贡献,仅供参考。

其他回答

  • 学经济吧,以后学成出来可以去券商或者银行做经济学家,甚至是首席经济学家。金融呢,目前的趋势是往数量化的方向发展,如果你数学很好,又有这方面兴趣,也可以。个人建议,学经济学好了,说不定还能得个诺贝尔经济学家,加油,大侠。
    赵飞蓉2019-12-22 00:22:30
  • 目前美国的金融类硕士分为三种:FinancialEngineering金融工程----金融工程强调数学和计算机背景,申请较为困难,而且就业方向主要为期货、证券等相关高薪但就业机会不多的行业。Finance金融-------金融专业申请相对难度要小,但是理论性强、就国际学生而言,就业形势不如其他两个方向。FinancialAnalyst金融分析----金融分析专业与市场营销、人力资源管理等专业不同,它的hardskills不论在哪个国家都可以通用,同时该专业的国际学生在美国不仅就业率高,薪水高,而且还相当受人尊重。此外,该专业的硕士学位申请难度要比其他金融类硕士要小的多。但是整体来说,金融专业申请起来还是比较困难的,而且由于将来的资金回报比较高,竞争的比较激烈在加上这个学科本来的奖学金设置就很少,所以拿奖得可能性比较小,如果想要拿到奖,必须有一个很强的背景来支持。金融工程是用数学作为工具来解决金融的问题,最为一个新兴的学科,他的发展前景很大。金融工程是一门综合了金融学、数学和计算机科学的交叉学科,其课程通常由大学的商学院、数学系和工程学院联合授课,其课程由于集中于金融领域。所以深度远远超过MBA金融方面的课程,通常包括股票市场分析、投资组合分析、期货和期权、资产定价、资本预算、固定收益分析、利率模型、金融风险管理等课程。金融工程是近年窜起速度最快的科系,研究的范围涵盖计算机、财务、数学与统计四大领域。由於这几年金融环境快速的变化,与科技的进步,使市场国际化,企业的类别也越来越多元化。在这样的环境下,市场需要种类的金融商品,作为投资的工具。面对这样复杂的需求,设计一样金融商品需要财务的概念、数学、统计的辅助,与财务的知识。MFE是专门培养高级金融人才的专项教育。金融工程硕士的课程全部集中于金融领域,申请金融工程硕士不需要有工作经验,但是,申请金融工程硕士要求申请者在大学本科必须修过两门课——微积分和统计,因此不适合那些大学学文科的人们。有的美国大学把金融数学即金融工程设立在数学学院里,但是金融数学和数学学院的其他专业相比,又多了金融学这个部分。有的美国大学把金融工程这个专业设立在商学院里,但是金融工程这个专业和商学院的其他专业相比,更加看重的是申请人的数学功底。所以申请人没有很强的数学功底的话,建议你考虑一下金融类的申请了。一般我们所说的MASTERINFINANCE是在B—School下面的金融系下面,还有就是MBA的FINANCE管理课程,这些是相对商科性质比较浓的课程,无论是在授课知识还是录取方面比较看重的都是申请人的管理方面的背景。录取的标准也是GMAT而不是GRE。主要培养的也是金融管理方面的人才。但是MASTERINFINANCE和MBA的金融硕士差别还是很大的。MF的录取一般比较容易,而MBA的录取的难度是我们大家众所周知,除了GMAT成绩要求比较高以外,主要的是申请的背景和工作经历,是否有成功运作大公司的金融方面的经验也是很重要的考察点之一。国外金融学和国内金融学有很大不同。国内金融学比较宏观,主要在货币银行学和国际金融,而国外金融是从微观角度即公司金融和资产定价两个方面。因此在国外许多公司的金融教授都是经济系毕业的。金融方面哈佛和宾大,哈佛和UPenn根本没有Finance的Master,只有MBA的Finance方向,没工作经验的本科生肯定是读不了的,Finance不算经济类的专业,和经济学差得很远。中国的金融研究还处于很初级的阶段,本科基本算是文科专业,对实证分析涉及很少,复旦上财这些号称全国Top的Finance比起US差得远了,FinanicalEngineer更是上不了台面,所以LZ如果真的对这方面有兴趣,出去读一个MSF或MFE或工作几年出去读MBA-Finance是很有必要的如果你是去澳洲学金融,应该去学MacquarieUniversity的MasterofAppliedFinance。但是是一个较难读的专业,这个专业受到CFA的认证。
    黄盛磊2019-12-22 00:11:27

相关问答

作者:杨博理在整个量化交易策略的研发流程当中,买和卖是最为基本的量化交易策略组成部分,而这个部分的设定主要与收益情况相关。这里所说的相关,具体分为两种不同的情形,一种是总体的关联性,即基于买点、卖点的选择,买卖策略应该得到一个正的整体收益。另一种则来自于对交易资产未来收益的判断、或者说预测,即判断交易资产的未来收益为正时,就买入资产;判断交易资产的未来收益为负时,则卖出或卖空资产。实际操作中,这两种关联关系的情况可能更为复杂一些。有的时候,买和卖的具体操作也可能受到风险方面设置的影响,例如为了限制单次交易的最大损失而采取止损之类的操作时,用于清仓的买卖设置就会相应的变动,这也是作者将风险和买卖用虚线相连的原因。不过在大部分情况下,买卖这一最为基本的组成部分还是与收益的关系最大,研究者也应该在研发这一个组成部分时,着重考虑收益情况的具体影响。对量化交易策略风险的控制可能会影响到量化交易策略中的买卖设置,但是在更普遍的情况下,风险这一因素主要影响的是交易仓位的设置。当然,前提条件还是需要买卖策略的总体收益为正,在这样的条件下再结合仓位的设置,才能够在合适的风险水平下取得达到要求的收益。通过对交易资产具体仓位的调整,交易者可以比较直接的控制单次交易以及整个交易策略的风险水平。例如在满仓交易的情况下,定量的判断了当前交易的风险之后,觉得风险过大无法承受,那么最为直接的处理方法就是在满仓的基础上相应的降低仓位的大小。在仓位降低之后,对于整体资金而言风险也就随之降低了。由于仓位本身具有量化、直观的特性,因此当交易者希望将风险处理到一个特定的水平时,调整仓位是一个比较方便的手段。需要说明的是,前面已经提到了买和卖是量化交易策略最为基本的组成部分,实际上仓位的设定是根据买卖决策和风险两个因素共同形成的,不建立在买卖之上的仓位选择是空洞没有意义的。此外还有一个更为极端的情况,仓位的正确设定有助于进一步优化策略的整体收益,之后要介绍的凯利公式的意义正在于此。在图1中由买卖到仓位的箭头,实际上可以看作是收益、买卖这一个整体部分指向仓位的箭头。不过在实际使用中,凯利公式所导出的仓位设定往往过于偏激,超过正常风险控制下的最高仓位值,因此仓位仍然与风险的关系更为紧密。在图1这个较为松散的量化交易策略研发流程中,交易成本是和买卖以及仓位具有同等地位的组成部分。在实际操作中,就是首先基于对收益和风险的判断得出合适的买卖和仓位选择,然后在买卖和仓位共同组成的量化交易策略当中考虑交易成本,也就是在建立仓位和退出仓位等操作中扣除所需要承担的交易成本。随后再次判断该量化交易策略所代表的收益和风险情况,只有这两个因素仍然在接受范围之内,才能确认这是一个可行的量化交易策略。虽然最后用来执行的组成部分只有买卖和仓位,但是交易成本作为对量化交易策略的一个实际化修正,也是策略研发流程中一个不可或缺的组成部分。上面提到的对量化交易策略收益和风险情况的判断,实际上是一个综合性的评价问题。一个最为重要的参考依据应该是策略在整个交易过程中的净值走势,通过对策略净值走势的分析,就可以建立起该量化交易策略运行情况的全面判断。但是净值走势本身由于细节过多,因此无法简单的用来进行策略之间的横向对比。这时就需要精炼净值走势中所包含的信息,选取合适的部分形成量化的评价指标,从而进行量化交易策略的进一步判定。就作者看来,评判一个策略的标准中最重要的仍然是策略在整个交易过程下的收益情况,一个负收益的量化交易策略根本无需考虑其风险即可排除。而当收益为正时,再结合风险的度量进行具体的取舍,就可以直观的给出量化交易策略是否合格的评判标准了。作者心目中最重要的风险指标是策略净值的回撤水平,在后面的案例分析中也会重点查看回撤的结果。于此同时,一些量化交易策略在进行收益和风险情况的判断时,仅仅针对策略自身的净值走势进行研究是不够的,给出一个合理的基准来进行对比往往是更为有效的判别方法。例如后面的案例中会涉及到的量化选股策略,当交易选择仅限为对具体的股票进行持仓,而不考虑空仓或者卖空时,选取一个特定的基准进行对比就会是一个更为有效的判别方法。这主要是由于量化选股策略的仓位始终为多头,因此不论如何配置,策略所持仓位都含有资本资产定价模型中所提到的市场成分。而选股策略本身的意义在于选择更好的股票、不在于获取市场收益,因此将市场走势作为对比、或者在策略收益中剔除掉市场成分就是一个更合理的做法。上述所有的操作,都需要建立在对历史数据的分析之上,在量化交易领域当中一般称之为回溯测试,或者简称回测。所谓回溯,也就是将交易的过程在历史数据上复现一遍,这里面包含了一个假设,即历史数据在量化交易策略中展现出的样本特征在未来的交易中依然存在,否则回溯测试就失去了意义。关于这一假设的分析其实在诸多技术分析著作中均有涉及,一般被称为“历史会重演”,这里不再继续展开。不同于传统技术分析的是,量化交易策略的研发过程更加深入具体,在涉及到策略的参数设定、模型设置等具体问题时,需要采用数量化的方法、也就是最优化等技术手段进行解决。例如如何设置买点和卖点可以使得相应的总体收益最大等等,都是很典型的最优化数学问题,那么找到合适的最优化技术和算法并加以应用,就能够确定量化交易策略的最终形式,用以进行实际交易。图1中所展示的是一个较为松散的一般性框架,用来总领性的说明量化交易策略的基本研发流程。在具体的策略研发过程中,这个框架经常会因为具体研发设置和策略设置的不同而产生变化。例如当量化交易策略的主要作用不是在时间轴上选择具体的买卖时点,而是在同一个时间点上对多个资产进行选择和配置时,图1中的一些说明就显得有些含混不清。量化选股策略就是这一类策略中最为常见的形式,因此这里在整体框架不变动的情况下,针对图1进行了文字上的调整,用以说明量化选股策略的运行框架与研发流程。当然,使用选股策略的框架体系来处理多个资产甚至多个策略的挑选、配置也是可以的,在不复杂的情况下只需要稍作联想即可。买卖和仓位虽然是更为通用的说法,但是更适合于描述择时策略,放在选股策略的研发框架中会显得比较突兀,因此图2将买卖换成了选股,仓位则换成了配比,这样更容易让读者领会该研发流程的含义。实际上,对于每一期的选股而言,如果选择了原先没有仓位的股票,那么对应的操作就是买入该股票,如果已经建仓的股票没有被选入这一期的股票池,那么对应的操作就是卖出该股票。而配比则是在买卖的基础上,通过仓位大小的变化来实现具体配置。因此,选股和配比实际上可以算作是买卖和仓位选择的特殊情况,只是这种说法更为贴合量化选股策略本身。略有不同的,是风险在量化选股策略研发流程中的具体含义。由于选股策略的仓位操作涉及到多个股票之间的配比问题,因此这里的风险不仅包括单支股票的风险,也涉及到多支股票之间的风险程度,后一种风险一般采用股票收益之间的相关性来进行描述。例如在一般性的最优投资组合理论当中,经常使用协方差矩阵来刻画整个资产组合的风险水平。虽然从实际情况来看,相关性这一度量方式与风险的直观感受之间有一定的差距,但是在多资产环境下,一般都将资产间的相关性视为风险的来源之一,这是一个偏学术的、约定俗成的做法。上面的例子是针对选股策略进行的文字上的变动,实际上量化交易策略研发流程的变化更多来自于各个研发组成部分不同的结合方式。而不同的结合方式,对应的是策略研发过程中不同的目标和需求。例如图1所介绍的松散的研发流程,是在确定好买卖行为和仓位设定之后,再针对实际交易中所产生的交易成本进行二次测试。这样的做法虽然简便易行,但是忽视了交易成本本身对于收益的影响,以及更进一步对于买点和卖点的影响。因此,在确定买卖设置的步骤中就考虑交易成本的影响,应该是一个更贴近于实际的研究框架。图3给出了相应的流程刻画,如图所示,在判断收益因素时,同时考虑交易成本对于收益的影响,从而优化出更为实际的买卖设置。再根据相应的风险控制,结合买卖点的选择,得出最后的仓位设置。在确定了买卖和仓位这两个部分之后,就获得了一个完整的量化交易策略。图4给出了一个更紧凑、更贴合实际操作的量化交易策略研发流程。在该流程中,买卖和仓位的设置是同时作为参数进行优化的,优化的目标函数也进行了唯一化,即量化交易策略的风险调整后收益。而在确定需要优化的目标函数时,交易成本也如同上一个研发流程一样同时被考虑进去,从而保证买卖和仓位优化结果的准确性。毫无疑问,相较于上面所涉及到的研发流程、特别是图1中较为松散的研发流程,该量化交易策略研发流程的各个组成部分更为紧密,因此在优化过程中所产生的与实际操作的偏离也就越小,买卖和仓位设置的准确度也就更高。但是在实际工作中,如果想参照这一流程进行研发,那么就需要比较强的计算能力,数据量的大小也要达到一定要求,同时优化方法和目标函数的设定要能够同时覆盖买卖和仓位的所有参数,因此往往也只有极为简单的策略思路可以采用这样的流程框架进行研发。在实际的量化交易策略相关工作中,研发只是整个工作流程的一部分,还有两个组成部分需要着重强调。基于此,图5在图1所示的研发流程的基础上给出了一个更为完整的工作流程。如图所示,需要增加的部分包括处于研发过程之前的数据准备工作以及处于研发过程之后的策略执行工作。这两项工作与前面所论述的研发流程具有很强的逻辑关联性与内在依赖性,三者结合起来形成的一个整体,基本上可以涵盖量化交易策略具体工作的绝大部分内容。首先论述数据准备的工作,循着图5中的箭头可以看到,在量化交易策略的整体工作中,既要为研发过程准备相应的研究数据,也要为策略执行准备相应的实时数据。在研究数据方面,由于寻找合适的量化交易策略需要不断重复研发流程,因此对于数据的要求更偏重于准确性和覆盖能力。同时,对数据的清洗和转换也是一项重点工作,在大部分的数据科学研究、包括量化交易策略的研发当中,数据特征的合理抽取对于整体效果提升的重要性有时甚至要高于精巧的模型,当然很多时候数据的转换和模型的构造是相互融合的,针对具体情况应当采取具体的分析和处理。而在策略执行数据方面,则更应该关注于数据获取的及时性。至于数据的清洗和变换,只需要完全复制研发得到的量化交易策略下的数据准备工作即可。另外,为了保证数据的及时性,最终进行的数据清洗工作对时间消耗存在一定的要求。然后讨论策略执行的工作。策略执行,是在量化交易策略研发完成之后,最终产出实际效能的组成部分。执行时应该遵循尽量贴近研发完成的量化交易策略的原则,与量化交易策略所确定的买卖、仓位等设置尽可能的保持一致,这样才能最真实的反映出前面量化交易策略的研发结果。同时,策略执行的结果也可以用来反向支持具体的研发流程,通过对策略执行所得到的收益、风险情况的判断,实时的重新进行研发,对量化交易策略进行修改,从而使得策略能够及时的得到现实的反馈,增强自身的稳健程度。值得一提的是,后面将要介绍的推进分析是一种模拟策略执行的回溯测试技术,读者可以在运行推进分析时有限度的了解到量化交易策略实际执行时的种种状态。
从管理角度看地方投融资平台的融资状况很不透明,不仅商业银行难以全面掌握,有的地方政府自身也并不清楚不同层次政府的投融资平台的负债和担保状况;商业银行在与地方政府的互动中相对处于弱势,使得商业银行运来一直通行的一些控制与地方政府投融资平台的风险管理手段难以真正落实,主要依靠的往往是并没有真正法律效率的财政担保等形式,另外一般投融资平台将从商业银行借来的贷款置于一个资产池中,再根据不同项目的需要进行资金流的分配,这种资金使用形式不利于商业银行对所借款在对应项目中的应用程度不能很好的跟踪监督。这些投融资平台总体上负债率都相当高,负债率普遍超过80%或者更高,资本金普遍欠缺且偿债能力低下。在实际操作中,往往是由平台公司统借统还,责任主体十分模糊,因为往往贷款使用人是建设单位,大多数平台公司对项目建设和资金使用都不实施管理,项目的最终受益也不属于平台公司,贷款资金实际上完全脱离借款人监控,如果出现偿还问题,商业银行实际上难以进行顺利的追溯。在地方投融资平台推进的各种基础设施项目中,普遍存在资本金不足的问题,使得不同地方的投融资平台积极变通来补充资本金,使得银行的贷款风险明显加大,例如,这些投融资平台会通过委托银行发行理财产品来补充资本金然后再继续要求银行贷款,也可能要求不法代理机构高估实物出资或出具虚假注册资金证明等手段虚假出资;有的项目以流动资金或搭桥贷款充作项目资本金,还有的以股东借款的形式借到新的投融资平台作为资本金,还有的利用扩大投资规模的名义在增加新的贷款之后抽回初期注入的有限的资本金。投融资平台所进行的项目过多,导致政府担保过多,易形成政府有名无实的担保,是不利于平台和银行各方的,而且从实质来讲政府担保过多也会造成政府的违规行为。从财政运行的角度看这种大规模的地方投融资平台主导的信贷高速增长,实际上增大了财政的隐形负债,在地方财政出现偿还困难时,实际上还是由中央财政承担了事实上的支付责任。换言之,对于具体的投融资平台来说,如果能过通过自身的经营来偿还贷款,则理论上来说通过城市化的投资带来的收益还是大于贷款的投入的,但是如果不能偿还这些贷款,则或者转嫁为商业银行的不良资产,或者由中央财政事实上承担偿还的责任,这在客观上成为少数地方政府挤占信贷资源以及财政负债能力的一个重要渠道。地方投融资平台天然具备的软约束机制,使得投资的风险十分容易转移到中央财政或者商业银行体系。地方政府通过投融资平台获得大量的资金,在不少地方呈现出一些新的风险行为。首先,因为许多地方政府主要依靠土地收入等来偿还这些地方投融资平台的负债,因此在客观上有强烈的动机来推高土地价格,从而对房地产泡沫形成显著的推动作用。其次,在具体的项目选择和决策上,地方政府替代企业,成为主要的决策者,其中的经济合理性就值得怀疑,这些投资不可避免地出现过于超前的基础设施投资、或者是加剧产能过剩的投资,从一些地方地方新建在建工程和项目看,低附加值的建筑用钢材、建材和焦炭等投资品需求升推动了这部分原本已过剩的产能投资和生产增速出现加快之势,有保有压的产能调整,在实际执行过程中往往是一些本来需要退出市场的落后产能不容易被淘汰,反而一些地方政府在相对宽松的融资条件下还继续支持这些产业的发展。从宏观政策的角度看地方政府通过投融资平台进行大规模的借贷,直接制约了宏观货币政策的调整空间。例如,2019年高速增长的信贷投放大量通过地方政府投融资平台金融到一些大型的中长期基础设施项目,不仅使得商业银行贷款的集中度显著提高,期限明显延长,还使得明后年的信贷投放的调整空间极大降低,因为2019年启动的一系列大型基础设施项目不可能在今后因为信贷紧缩而使其成为“半拉子工程”,这样就在客观上倒逼明后年的信贷投放依然保持在相对的高速增长水平。这一点十分类似于1993年宏观紧缩之后的几年,信贷投放依然保持了十分快速的被动增长。地方政府融资平台的产生和发展有一定的客观必然性。也是投融资体制创新的一种尝试。它的风险的形成是多种因素产生的综合结果。一是地方财政的捉襟见肘,94年分税制改革取得了巨大的成功。中央财政收入的比重快速提高,基本实现了改革的预期目标。但是也出现了财权的上收和事权下放的倾向。地方政府要做的事情很多。但是财源有限,预算法又不允许他公开的举债。因此他只好成立地方政府投融资平台,通过向银行贷款进行融资,贷款的过程中提供各种形式的担保。地方政府投融资平台背后隐藏着较大的风险。由于按照现有的法规,地方政府对于贷款进行担保,实际上是一种违规的行为。另一方面,一些地方政府自身的隐性负债也比较严重,所以一些担保也不务实。这是地方财政方面的原因。二是商业银行的短存长贷,起初地方政府投融资平台的贷款主要来自于开发银行。但是去年以来各家商业银行蜂拥而至以后,由于地方政府平台贷款一般由地方财政担保,即使没有担保,因为是政府的项目,商业银行还是愿意贷款给地方政府平台。但由于地方政府投融资平融资状况很不透明,银行从地方政府那里获得的财政金融方面的信息有限。难以全面把握平台负债状况,而地方政府投融资平台从事的基础设施的建设周期比较长。他的贷款都是中长期的贷款。原来开发银行属于政策性银行的时候,它拥有比较稳定的长期的资金来源。因此,资金贷款的期限相对比较固定。后来商业银行涌入领域以后,信贷风险就容易出现期限的错位。三是平台资产质量及其职能原因。最初地方政府投融资平台主要是基础建设项目集中一些。后来发现从银行贷款可以做地方政府想做许多事情,一些本来可以由民营企业去做的事情也统统由地方平台来包办代替了。成立平台公司到银行贷款。地方政府财力有限。导致平台的资本金不足,平台自身的抗风险能力有所降低。再加上一些地方政府的投融资平台的治理结构不健全。管理水平、经营水平都有一定的局限,所以导致这个平台的风险不断的聚集。解决地方政府的基础设施建设融资问题。基础设施建设要考地方政府来实施,基础设施建设往往时间比较长、资金需求大。由中央政府代发地方债,一方面规模有限,另一方面风险仍然集中在中央政府,而且没有办法借助市场的力量来对地方政府进行约束。能否在适当制度或程序约束下,地方政府通过发行地方债的方式解决地方政府的基础设施建设融资的问题。